[{"data":1,"prerenderedAt":462},["ShallowReactive",2],{"docs-page-cn-/cn/usecase/blog/agent_memory_is_not_rag":3,"surround-cn-/cn/usecase/blog/agent_memory_is_not_rag":450},{"id":4,"title":5,"avatar":6,"banner":6,"body":7,"category":6,"desc":6,"description":13,"extension":444,"lead":6,"links":6,"meta":445,"navigation":6,"path":446,"seo":447,"stem":448,"__hash__":449},"docs/cn/usecase/blog/agent_memory_is_not_rag.md","Agent 记忆与 RAG 的区别：2026 年生产实践指南",null,{"type":8,"value":9,"toc":420},"minimark",[10,14,24,27,30,33,36,40,52,58,64,70,73,75,79,82,85,88,111,114,117,146,148,151,154,156,161,164,166,170,173,175,179,182,184,188,196,198,202,205,207,211,214,216,220,223,225,229,233,249,255,261,263,267,292,297,303,305,309,324,329,334,336,340,360,365,370,372,376,396,401,406,408,411,414,417],[11,12,13],"p",{},"Agent 可以检索政策 PDF、记住客户偏好简洁回答、在工具调用间维持工作流，也可以查询实时订单系统。这是四种不同职责。把它们全部叫作“记忆”，会让生产设计和产品比较失去精度。",[11,15,16,17],{},"RAG 查找当前回答所需的外部证据；Agent 记忆保留跨轮次、会话或工作流的有用状态。更大的上下文窗口为单次推理提供更多材料，但保存什么、如何更新旧偏好、怎样执行删除，仍需要另外定义。Oracle 的开发者指南同样强调：持久记忆需要明确身份与范围、来源、生命周期规则和遵循权限的召回。",[18,19,23],"a",{"href":20,"rel":21},"https://blogs.oracle.com/developers/agent-memory-is-not-rag",[22],"nofollow","Oracle Developers",[11,25,26],{},"向量索引可以是很好的检索组件。完整记忆方案还需要规定信息何时成为持久记录、怎样纠错、过期、隔离和审计。",[11,28,29],{},"选择 AI 记忆方案，先明确需要记住什么、信息在哪里可用，以及它应当怎样随时间变化。不同产品通过记忆 API、时序图谱、有状态 Agent 或更广泛的记忆管理系统处理这些需求。",[11,31,32],{},"本文从生命周期、检索、部署与应用适配比较 Mem0、Zep/Graphiti、Letta、MemOS 和 Supermemory，说明 MemOS 的位置，并给出实际选型问题，帮助探索阶段与生产评估中的团队作出决定。",[34,35],"br",{},[37,38,39],"h2",{"id":39},"先区分四个层次",[11,41,42,46,47],{},[43,44,45],"strong",{},"提示词上下文","是模型在一次推理中可见的有限 Token 集合，可以包含当前用户消息、系统指令、工具结果、滚动摘要、检索文档与选定记忆。上下文工程关注决策时如何选择、过滤、压缩和刷新这些材料。",[18,48,51],{"href":49,"rel":50},"https://redis.io/blog/ai-agent-context/",[22],"Redis",[11,53,54,57],{},[43,55,56],{},"RAG","从文档、记录、表格或其他授权材料中检索证据，主要职责是为回答提供依据：使用相关、可访问且有效的来源，并保留足够的溯源信息供核查。RAG 可以是无状态的。良好的流程会处理租户与 ACL 过滤、文档版本、分块或结构化检索，并在需要证据时提供引用。它适合回答“当前政策怎么规定？”",[11,59,60,63],{},[43,61,62],{},"向量数据库或向量索引","存储嵌入并支持相似度检索，许多产品还提供过滤、关键词、元数据或混合检索。它可以支撑 RAG 和语义召回。至于昨天改变的语言偏好是否替代旧事实，以及跨会话如何识别用户，属于更上层的记忆管理。",[11,65,66,69],{},[43,67,68],{},"Agent 记忆","是经过选择、限定范围、供以后使用的持久状态，通常包括偏好、带时间的事实、任务状态、摘要、决策、已学习流程或已验证工具结果。难点包括：保存什么；哪些用户、租户、Agent、任务与权限背景可以检索；什么会更新或使它失效；谁可以检查、纠正、删除和审计。",[11,71,72],{},"生产环境中，这些层次通常并存。客服 Agent 可以组合当前指令、任务摘要、限定到客户与租户的记忆、RAG 政策引用，以及工具返回的实时账户状态。业务实时数据仍以业务系统为准。",[34,74],{},[37,76,78],{"id":77},"memos-的位置","MemOS 的位置",[11,80,81],{},"我们构建 MemOS，是为了让长期记忆成为 AI 应用和 Agent 中可以管理的组成部分。它提供独立层，保留有用背景、在相关时召回，并随着偏好、事实和任务变化更新，支持跨对话连续性、个性化与 Agent 工作流中的背景复用。",[11,83,84],{},"MemOS 将存储、检索、多种记忆形态与记忆调度结合起来。Cloud API 提供对话写入、记忆检索、记录更新与删除，以及通过反馈纠错；过滤、标签、异步处理、知识库与 Chat API 支持不同接入需求。",[11,86,87],{},"可以通过托管 Cloud、开源框架与支持的 Agent 集成接入，根据团队运维能力和定制要求选择。",[11,89,90,95,96,95,101,95,106],{},[18,91,94],{"href":92,"rel":93},"https://memos.openmem.net/",[22],"MemOS 官网"," · ",[18,97,100],{"href":98,"rel":99},"https://memos-docs.openmem.net/cn/memos_cloud/getting_started/overview/",[22],"Cloud 概述",[18,102,105],{"href":103,"rel":104},"https://memos-docs.openmem.net/cn/api_docs/start/overview/",[22],"API 概览",[18,107,110],{"href":108,"rel":109},"https://github.com/MemTensor/MemOS",[22],"GitHub",[11,112,113],{},"MemTensor 是 MemOS 背后的公司，为 AI 应用构建记忆基础设施，并研究长期记忆与持续学习，目标是减少幻觉、改善个性化，让系统更好地利用已有经验。",[11,115,116],{},"我们的工作覆盖 Memory³ 研究、MemOS、Agent 记忆基础设施与记忆原生基座模型研究，将理论与信息的长期存储、检索和维护结合起来。MemOS 将这一方向带入需要跨对话背景的应用。",[118,119,120,125,128,131,134],"blockquote",{},[11,121,122],{},[43,123,124],{},"产品边界：MemOS 与 Memmy。",[11,126,127],{},"MemOS 通过 API、开源组件和集成方案，为 AI 应用与 Agent 提供记忆能力，适合把记忆接入应用或现有 Agent 工作流，并选择托管服务或自行运维组件。",[11,129,130],{},"Memmy 是个人 AI Agent 与本地记忆中心，整合桌面应用、本地记忆服务、CLI 与工具集成，帮助个人在支持的 AI 工具之间复用背景，延续日常工作。",[11,132,133],{},"需要在应用或 Agent 流程中添加、定制记忆能力时选择 MemOS；需要个人 Agent 与本地记忆中心，将支持的工具围绕共享背景连接起来时选择 Memmy。",[11,135,136,95,141],{},[18,137,140],{"href":138,"rel":139},"https://memmy.bot/",[22],"Memmy 官网",[18,142,145],{"href":143,"rel":144},"https://github.com/MemTensor/memmy-agent",[22],"官方 GitHub",[34,147],{},[37,149,150],{"id":150},"生产选型的七个维度",[11,152,153],{},"比较产品前，先用一页说明允许存储的数据类别、必须隔离的范围、纠错与删除负责人、权威来源，以及记忆不可用时的处理方式，再按以下七个维度评估。",[34,155],{},[157,158,160],"h3",{"id":159},"_1-生命周期","1. 生命周期",[11,162,163],{},"能否有选择地添加、更新、删除、过期、合并或回滚记忆？应用能否区分原始事件、抽取记忆，以及让它成为持久记录的规则？检查时间、来源、冲突处理、保留控制与明确纠错路径。将每条消息生成向量属于摄入，实现生命周期还需要这些规则。",[34,165],{},[157,167,169],{"id":168},"_2-检索与上下文组装","2. 检索与上下文组装",[11,171,172],{},"检索返回文档、事实、图关系、属性、记忆块、摘要，还是多种组合？生成前如何过滤？测试租户、用户、Agent、会话、时间、记忆种类与权限条件。同时评估质量与上下文预算：十行相关记忆可能比二十个相似分块更有用。用任务质量、泄露率、检索准确率和新增延迟衡量。",[34,174],{},[157,176,178],{"id":177},"_3-部署与数据边界","3. 部署与数据边界",[11,180,181],{},"选择 SDK 前，先确定运行模式。公开文档提供库、自托管服务、托管云服务，还是多种路径？明确模型、嵌入、数据库、图存储、对象存储、遥测与出站网络依赖。自托管软件包之外，还需要设计完整私有部署与企业控制。",[34,183],{},[157,185,187],{"id":186},"_4-治理与隔离","4. 治理与隔离",[11,189,190,191],{},"将记忆读取作为数据访问决策。在相关场景中，明确租户、用户、Agent、任务或会话、请求和权限标识。摄入前定义脱敏与秘密信息排除规则，在实际采用的产品版本中验证按范围删除、纠错、保留、访问控制和审计证据。Cloudflare 也将限定范围的持久状态视为核心运行问题。",[18,192,195],{"href":193,"rel":194},"https://blog.cloudflare.com/introducing-agent-memory/",[22],"Cloudflare",[34,197],{},[157,199,201],{"id":200},"_5-可观测性","5. 可观测性",[11,203,204],{},"为每轮模型调用记录检索请求、过滤条件、候选 ID、选中记忆 ID、来源、时间、Token 数、模型回复与用户反馈。分别观测接纳、修改、删除和回滚。在减少敏感日志副本的同时，能够解释为什么送入某条记忆，以及旧记录为何仍然存在。",[34,206],{},[157,208,210],{"id":209},"_6-生态与应用适配","6. 生态与应用适配",[11,212,213],{},"评估实际会用的 Python、TypeScript、REST、MCP、Agent 框架、工具调用或云平台接口。优先选择能延续现有身份与授权模型的接入路径，并验证集成是否落实组织治理策略。",[34,215],{},[157,217,219],{"id":218},"_7-实际环境中的运行成熟度","7. 实际环境中的运行成熟度",[11,221,222],{},"按自身要求测试升级、备份、灾难恢复、模型供应商故障、限流、模式变化、迁移和事件支持。代码、文档和部署选项的存在，与满足特定 SLA 或合规体系，是不同的验证目标。",[34,224],{},[37,226,228],{"id":227},"五种-ai-记忆方案","五种 AI 记忆方案",[157,230,232],{"id":231},"mem0","Mem0",[11,234,235,238,239,95,244],{},[43,236,237],{},"概述。"," 官方仓库提供记忆库、自托管服务器与托管平台。自托管通过 Docker Compose 部署，文档包含默认启用认证、管理员初始化、API Key 与仪表盘，也提供 Python、npm 安装和按用户 ID 添加、检索的 CLI。仓库使用 Apache-2.0 许可。",[18,240,243],{"href":241,"rel":242},"https://github.com/mem0ai/mem0",[22],"Mem0 仓库",[18,245,248],{"href":246,"rel":247},"https://github.com/mem0ai/mem0/blob/main/docs/open-source/setup.mdx",[22],"自托管说明",[11,250,251,254],{},[43,252,253],{},"适用场景。"," 需要以记忆为中心的接入接口，并希望在库、托管与自托管之间选择的团队。文档化的自托管路径为自行运维提供起点；托管平台是另一种运维选择。",[11,256,257,260],{},[43,258,259],{},"评估重点。"," 检查抽取与检索配置如何处理纠错、冲突、租户隔离、删除传播及自身授权模型。使用自己的模型和数据评估质量与成本，确认 SDK 抽象下实际选中了什么记忆。",[34,262],{},[157,264,266],{"id":265},"zepgraphiti","Zep/Graphiti",[11,268,269,271,272,95,277,95,282,95,287],{},[43,270,237],{}," Graphiti 与 Zep 相关，但属于不同选择。Graphiti 是 Zep 的 Apache-2.0 开源时序上下文图框架，仓库包含事件摄入、混合检索、图距离重排、MCP 服务器与图存储选项。Zep 是基于 Graphiti 的托管 Agent 记忆服务，文档描述用户与任务线程、上下文组装，以及 Zep Cloud、BYOK 和 BYOC 等部署治理选项。",[18,273,276],{"href":274,"rel":275},"https://github.com/getzep/graphiti",[22],"Graphiti",[18,278,281],{"href":279,"rel":280},"https://help.getzep.com/zep-vs-graphiti",[22],"Zep 与 Graphiti",[18,283,286],{"href":284,"rel":285},"https://help.getzep.com/concepts",[22],"Zep 概念",[18,288,291],{"href":289,"rel":290},"https://help.getzep.com/v3/security-compliance",[22],"安全与合规",[11,293,294,296],{},[43,295,253],{}," 时序关系和图检索是核心，且团队希望构建、运维外围服务时，可以考虑 Graphiti；希望通过托管服务获得同类能力，并使用已文档化的用户、任务线程和企业部署抽象时，可以考虑 Zep。",[11,298,299,302],{},[43,300,301],{},"权衡。"," 使用 Graphiti，需要团队设计图基础设施、抽取、实体消歧、时序失效、并发与授权。Zep 减少部分运维工作，同时引入商业服务、契约和数据边界选择。两种路径都应测试：有时间范围的关系是否足以改善任务，值得承担额外图谱与摄入复杂度。",[34,304],{},[157,306,308],{"id":307},"letta","Letta",[11,310,311,313,314,95,319],{},[43,312,237],{}," Letta 面向有状态 Agent，提供 API、Python 与 TypeScript 客户端、自托管 base URL，以及可挂载或从 Agent 移除的记忆块。官方 Apache-2.0 仓库将其称为开源项目，并提供本地 CLI 与 API 路径。TypeScript 文档介绍了通过挂载到多个 Agent 来共享记忆块。",[18,315,318],{"href":316,"rel":317},"https://github.com/letta-ai/letta",[22],"Letta 仓库",[18,320,323],{"href":321,"rel":322},"https://docs.letta.com/api/typescript",[22],"TypeScript 文档",[11,325,326,328],{},[43,327,253],{}," 记忆与 Agent 运行时紧密结合，并希望采用以 Agent 为中心的状态模型时，可以考虑 Letta。有意识且经过授权的共享背景，可以通过共享块实现。",[11,330,331,333],{},[43,332,301],{}," 将隔离、记忆块共享、编辑、删除、导出、模型行为、工具状态和迁移作为主要测试用例，确认应用是否需要独立于单个 Agent 运行时的可迁移记忆。",[34,335],{},[157,337,339],{"id":338},"memos","MemOS",[11,341,342,344,345,95,349,95,353,95,356],{},[43,343,237],{}," MemOS 为 AI 应用与 Agent 提供独立的记忆存储、检索、更新和管理层。Apache-2.0 开源框架支持多种记忆形态与调度；Cloud 提供抽取、检索、更新、删除、反馈纠错，以及知识库与 Chat 能力，也为企业提供私有部署和定制集成选项。",[18,346,348],{"href":108,"rel":347},[22],"MemOS 仓库",[18,350,352],{"href":98,"rel":351},[22],"Cloud 文档",[18,354,105],{"href":103,"rel":355},[22],[18,357,359],{"href":92,"rel":358},[22],"官网",[11,361,362,364],{},[43,363,253],{}," 需要跨对话、跨 Agent 工作流延续背景，并明确控制检索与维护的应用。托管接入可以选择 Cloud API；也可以按运行环境选择开源框架与 Agent 集成。",[11,366,367,369],{},[43,368,301],{}," 测试负载所需的记忆形态与调度行为、每次调用携带的身份和范围、纠错与删除的生命周期、集成适配，以及所选版本的运维设计。广泛的记忆抽象带来灵活性，也要求明确哪些信息可以成为可复用记忆。",[34,371],{},[157,373,375],{"id":374},"supermemory","Supermemory",[11,377,378,380,381,95,386,95,391],{},[43,379,237],{}," 官方 MIT 许可仓库提供记忆与上下文 API、JavaScript 与 Python SDK、容器标签、文档摄入、语义和混合检索，以及 API Key 认证。公开仓库的自托管快速开始包含本地服务器和嵌入式引擎，SDK 可以连接自托管 base URL。",[18,382,385],{"href":383,"rel":384},"https://github.com/supermemoryai/supermemory",[22],"仓库",[18,387,390],{"href":388,"rel":389},"https://github.com/supermemoryai/supermemory/blob/main/apps/docs/self-hosting/quickstart.mdx",[22],"自托管快速开始",[18,392,395],{"href":393,"rel":394},"https://github.com/supermemoryai/supermemory/blob/main/apps/docs/integrations/supermemory-sdk.mdx",[22],"SDK 文档",[11,397,398,400],{},[43,399,253],{}," 希望采用 API 接入，将用户背景与文档检索结合，并评估托管式调用和已文档化的本地、自托管路径的团队。",[11,402,403,405],{},[43,404,301],{}," 检查容器标签如何映射租户、用户、Agent 与会话边界。测试属性或抽取记忆的时效、文档与记忆检索的区别、删除传播、模型供应商依赖，以及实际负载下自托管设计的规模与持久性。",[34,407],{},[37,409,410],{"id":410},"从比较走向决策",[11,412,413],{},"产品适配取决于记忆形态。图优先系统适合随时间变化的关系，Agent 运行时系统适合有状态控制，记忆 API 适合快速接入，更广泛的记忆操作层适合多种形态间的生命周期与调度。",[11,415,416],{},"按自己的数据规则开展限定时间的概念验证。按需为请求提供租户、用户、Agent、任务、会话与请求标识，准备已知正确事实、故意过期事实、冲突更新、排除保留的敏感值，以及跨租户近似记录。衡量检索准确率、任务成功率、延迟、Token 成本、写入成本、删除完成情况，以及解释选中条目的难易程度，并演练供应商故障与恢复。",[11,418,419],{},"当团队能解释每条记忆的归属、保存原因、替代关系、访问权限、存储位置、观测与删除方式时，选型才具备生产依据。RAG 则继续承担来源明确的证据检索，与持久 Agent 状态协同工作。",{"title":421,"searchDepth":422,"depth":422,"links":423},"",2,[424,425,426,436,443],{"id":39,"depth":422,"text":39},{"id":77,"depth":422,"text":78},{"id":150,"depth":422,"text":150,"children":427},[428,430,431,432,433,434,435],{"id":159,"depth":429,"text":160},3,{"id":168,"depth":429,"text":169},{"id":177,"depth":429,"text":178},{"id":186,"depth":429,"text":187},{"id":200,"depth":429,"text":201},{"id":209,"depth":429,"text":210},{"id":218,"depth":429,"text":219},{"id":227,"depth":422,"text":228,"children":437},[438,439,440,441,442],{"id":231,"depth":429,"text":232},{"id":265,"depth":429,"text":266},{"id":307,"depth":429,"text":308},{"id":338,"depth":429,"text":339},{"id":374,"depth":429,"text":375},{"id":410,"depth":422,"text":410},"md",{},"/cn/usecase/blog/agent_memory_is_not_rag",{"title":5,"description":13},"cn/usecase/blog/agent_memory_is_not_rag","0i4G8KP3rs6dTeg71IKf-F5Unc9P4QIKLCidvmDlMXU",[451,457],{"title":452,"path":453,"stem":454,"framework":6,"module":6,"class":455,"target":-1,"active":456,"defaultOpen":456,"children":-1,"description":-1},"有了向量库，Agent 为什么还需要记忆管理？","/cn/usecase/blog/vector_database_memory_management","usecase/blog/vector_database_memory_management",[],false,{"title":458,"path":459,"stem":460,"framework":6,"module":6,"class":461,"target":-1,"active":456,"defaultOpen":456,"children":-1,"description":-1},"Agent 记忆可观测性：上线后值得关注的 12 项指标","/cn/usecase/blog/agent_memory_observability_12_measures","usecase/blog/agent_memory_observability_12_measures",[],1793163788529]